语音代理通常遵循“听‑思‑说”固定循环，在每次回复前会出现数秒的沉默。我们在未修改的文本模型上加入轻量级的中断‑恢复调度器，实现了连续时间认知，即在听的同时思考、在说的同时思考，使整体延迟降低 19%，在目标场景下降低约 50%。
为评估连续时间思考的实际收益，构建了 ReactiveBench：包含 120 个交互场景，依据预先登记的二元需求进行评分，并提供一个可验证的流式轨道，以精确正确性计分。实验揭示了一个重要陷阱：LLM 评审倾向奖励可见的推理过程，导致连续思考在该评审下表现出显著优势；但在独立评审下，这一优势消失甚至逆转，且受评审训练的模型在思考时完成的需求更少。
随后进行的五阶段训练研究定位了有效信号的三个层面。其来源：可验证的目标将思考从有害转为有益；其结构：统一奖励忽略的部分会被优化过程抛弃，简短的回复削弱了多步工具链的效果；其优化器：偏好优化只能在冲突子目标之间权衡，而基于类型形状奖励的在策略强化学习（RL）能够同步提升所有正确性维度，使流式完成率从 48% 提升至 73%±5%，并在更大规模和第二模型上复现。调度器是实现连续时间交互的前提，正确来源、形状和优化的可验证信号则是其成功的关键。
点评：连续时间交互通过软中断实现了更自然的对话流，然而仅靠显式推理奖励并不足以提升真实任务完成度。必须结合可验证的目标设定和在策略 RL，才能真正把思考转化为性能提升。